حتما مطالبی در مورد کلان دادهها، علم داده، هوشمندی کسب و کار و داده محوری شنیدهاید. شاید هم نشنیده باشید. این کلمات جالب برای یک تحلیلگر کسب و کار به چه معنی هستند؟
آیا تفاوتی بین یک تحلیلگر داده و دانشمند داده وجود دارد؟
تعریف کلان داده، علم داده، هوشمندی کسب و کار و داده محوری
بیاید هر کدام از این مفاهیم را تعریف کنیم.
- کلان داده: کلان دادهها داراییهای اطلاعاتی حجیم و با تنوع بالا هستند که نیازمند روش جدید پردازش جهت انجام فرآیند تصمیمگیری قدرتمند و ارتقا یافته، کشف دانش و بهینهسازی فرآیند میباشند.
- علم داده: این یک مفهوم برای یکپارچهسازی آمارها، تجزیه و تحلیلهای داده و متدهای مرتبط با آنها جهت درک و تحلیل خود پدیدهها میباشد.
دانش داده میتواند شامل عناصر این سه لایه باشد:
- لایه ۱- داده
- لایه ۲- تجزیه و تحلیل داده
- لایه ۳- مدلسازی و ارزیابی
- هوشمندی کسب و کار: هوشمندی کسب و کار (BI) یک عبارت چتری است (مانند چتر در زیر خود مواردی دارد) که شامل برنامههای کاربردی، زیرساخت و ابزارها و بهترین اقدامات جهت ایجاد دسترسی به تجزیه و تحلیل اطلاعات، برای بهبود و بهینهسازی تصمیمات و عملکرد است.
- داده محوری: به این معنی است که پیشرفت در یک فعالیت، توسط دادهها رخ داده یا تصمیم گیری مبتنی بر نکات دادهی یا نتایج خاصی میباشد.
- روابط مفاهیم
حالا که ما این مفاهیم را تعریف کردیم، بیایید به رابطهی بین هر کدام از آنها نگاه کنیم. موارد ذیل توضیح میدهند که نحوهی ارتباط هر مفهوم با مفهوم دیگر به چه شکل است.
- کلان داده و دانش داده: لایهی داده از دانش داده میتواند کلان داده باشد، در صورتی که داده دارای سه ویژگی V باشد: حجیم، سریع و تنوع بالا (همهی این کلمهها با V شروع میشوند).
- هوشمندی کسب و کار و دانش داده: هوشمندی کسب و کار، پیادهسازی لایهی ۲ و ۳ در مفهوم دانش داده است.
- فرآیندهای داده محور و دانش داده: کلان دادهها توسط فرآیندهای کسب و کار تولید میشوند. هوشمندی کسب و کار باعث بهبود تصمیمگیری و عملکرد در فرآیندهای کسب و کاری میشود.
نمودار زیر، روابط بین این مفاهیم را به طور گستردهای نشان میدهد:
- تحلیلگر داده و علم داده
هدف علم دادهها، ایجاد و تعریف اهداف کسب و کاری بوده و در محبوبترین شکل رویکرد CRISP-DM ارائه شدهاست.
بخش کلیدی تجزیه و تحلیلهای استراتژیک سازمانی که در کتاب BABOK به آن اشاره شدهاست (بخش ۶، صفحه ۹۹)، ایجاد اهداف یا چشمانداز کسب و کاری است. اهداف و چشماندازهای کسب و کاری بر اساس عواملی مانند رویکرد داده محور، به تفصیل و وضوح شرح و تعریف شدهاند. داشتن اهداف و چشماندازهای کسب و کاری واضح باعث ایجاد پایهای مستحکمتر میشود که میتوان در آن برنامهها و پروژهها را پایهگذاری کرد. آیا منشور پروژهی شما شامل نتایج داده محوری است که از نیاز به پروژهها پشتیبانی کند. یک بخش کلیدی از مورد کسب و کار، دادههایی برای پشتیبانی از سرمایهگذاریها است.
دو گام اول در CRISP-DM نیارمند درک خوب فرآیند کاری و نیازهای دادهاست، که مشابه مرحلهی B و C چرخهی TOGAF میباشد. کدام نقش میتواند به حدی قابلیت و صلاحیت داشته باشد که دارای مجموعه مهارتهای خاص برای ایجاد اهداف و چشماندازهای خاص کسب و کاری است؟ در دنیای امروزی، تحلیلگر کسب و کار (BA) معمولاً فقط در سطح پروژهای کار میکند و به ندرت فرصتی برای تنظیم اهداف و چشماندازهای کسب و کار دارد. یک تحلیلگر کسب و کار میتواد چشمانداز و اهداف را با استفاده از دانش داده به دست آورد تا مجموعه دادههایی ایجاد کند که از اهداف و چشمانداز یک سازمان پشتیبانی میکنند.
در گزارش مکینزی[۱]: ” عصر تحلیلگرها: رقابت در یک دنیای داده محور” به این موارد اشاره شدهاست: “بسیاری از سازمانها بر روی نیاز برای دانشمندان داده تمرکز میکنند و فرض میکنند که تنها وجود آنها باعث به وجود آمدن یک دگرگونی تحلیلگری میشود (یعنی تحلیلگرها وارد سازمان میشوند). ولی یک نقش دیگر که در همان اندازه حیاتی است، نیاز به ترجمه کنندهی کسب و کار است که به عنوان پیوند بین مهارت تجزیه و تحلیلی و کاربردهای عملی برای سوالات کسب و کاری میباشد. علاوه بر داشتن ادراک دادهای، مترجمان کسب و کار باید دانش سازمانی و صنعتی عمیق یا تخصصات عملکردی داشته باشند.”
علاوه بر این، تحلیلگران کسب و کار به همراه “دانشمندان داده” یا هر “متخصص هوشمندی کسب و کار” یا “توسعه دهندگان پایگاه داده” در کل چرخهی تبدیل داده حضور خواهند داشت “جمعآوری داده – آمادهسازی/جمعکردن داده – تحلیلگری داده- گسترش.” تشکیل این تیم کاملاً برای تضمین این ضروری است که قابلیت تحویل تحلیلگران داده، نیازهای کسب و کار و مزیتهای مرتبط کاری را برطرف کنند.
علم داده را میتوان در نقاط مختلفی استفاده کرد:
- میتوان آنرا برای ایجاد چشمانداز، مقاصد و اهداف استفاده کرد؛ که نیازی برای تجزیه و تحلیلهای استراتژیک سازمانی بیشتر یا ساختن مورد کسب و کاری برای یک برنامه یا پروژه را بوجود می آورد.
- میتوان از آن برای پشتیبانی از منشور پروژه یا مورد کسب و کاری استفاده کرد؛ ارزش پیشبینی شدهی پروژه را از لحاظ داده، سرمایهگذاری بالقوهی مورد نیاز و بازگشت سرمایهگذاری مورد نیاز نشان می دهد.
- میتوان از آن در طول پروژه استفاده کرد؛ معیارهای وضعیت مورد نیاز را برای پروژهها با شرح دادن بیشتر نقاط دادهی مشخص شده در منشور پروژه، به دست میآورد؛ معیارهایی ایجاد میکند تا بتوان از آنها برای راهنمایی پروژه از آغاز آن تا پیادهسازی آن استفاده کرد و در نهایت به صورت عینی به تیم پروژه در مورد میزان موفقیت برآورده سازی وضعیت و اهداف کسب و کاری توسط طراحی راهکار پروژه را گزارش میدهد.
- دنیای داده محور و TOGAF
TOGAF مفهوم بهبود مستمر را با رویکرد از بالا به پایین بیان میکند. داده محوری سعی میکند بهبود مستمر را با رویکرد پایین به بالا بیان کند. این دو مورد هیچ تناقضی باهم ندارند، چون دادهها از فرآیندهای کسب و کاری به دست میآید، ورودی یا خروجی فرآیندهای کسب و کاری در نهایت به شکل داده ارائه میشوند. رویکردهای TOGAG و دنیای داده محور با همدیگر به خوبی کار میکنند.
چنین مصالحهای میتواند باعث برخورد دو رویکرد با همدیگر شود؛ در صورتی که هر دوی آنها بر روی اهداف و چشمانداز کاری یکسانی تمرکز بکنند. مهم است که دادهها و معنی آنها در نظر گرفته شود. دو گروه میتوانند دادههای یکسانی را بگیرند ولی واکنشهای بسیار متفاوتی نشان دهند. تعریف واضح نقاط داده و عبارات برای تضمین کار کردن TOGAF و دنیای داده محور با همدیگر مهم است.
میتوانیم بگوییم که معماری سازمانی، داده محور میباشد. ساختن این معماری برای یک سازمان بدون داشتن حداقل درکی از دادههای آن، امری دشوار و حتی تقریباً غیر ممکن است. دانش داده در این مطلب وارد میشود تا این نیاز و شکاف را پر کند. دانش داده میتواند درک آنها را از دادههای کسب و کاری به طور مستقیم به چشمانداز و اهداف کسب و کاری ربط دهد. معماری سازمانی نیازمند درک چشمانداز و اهداف کسب و کار به طور واضح است تا محیطهای لازم برای پشتیبانی کارآمدتر از کسب و کار را ایجاد کند.
- احمقی که ابزار دارد، هنوز هم احمق است.
داده محور بودن به این معنی نیست که شما نیاز به ابزارهای پر زرق و برق هوشمندسازی کسب و کار یا زیرساختی عظیم برای نگهداری پایگاه داده دارید بلکه به این معنی است که شما به دسترسی آسان به دادههای با کیفیت بالا برای انجام جستارها (query)، استخراج دادهها و تجزیه و تحلیل آنها نیاز خواهید داشت. ابزارهای پیچیده ممکن است کارساز باشند و اگر به درستی استفاده نشوند، ممکن است اینطور نباشند. ابزارهای خود را با دقت انتخاب کنید تا مطمئن شوید نیازهای شما را برآورده میکنند.
- دادهها را به چالش بکشید
داده محور بودن به این معنی است که دادهها به چالش کشیده شوند. آیا این دادهها معتبر هستند؟ آیا دادهها کیفیت بالایی دارند؟ آیا باید از این دادهها برای تصمیمگیری استفاده کرد؟ برای اتخاذ تصمیمات خوب با دادهها، باید معنی و کیفیت آنرا به صورت مرتب به چالش بکشید. نتایج مجموعه دادهها را به عنوان مقادیر حتمی فرض نکنید. آنها را تجزیه و تحلیل و اعتبارسنجی کنید. در هنگام ایجاد فرضیهها، مهم است که این فرضیهها را تعریف کرده و با دادهها به صورت واضح ارتباط برقرار کنید (در بین مفروضات و دادهها).